Processamento de Imagem

Segmentação

PI28CP 2021.1

Aluno: Ricardo Romano Langaro

Base de imagens escolhidaBase de imagens escolhida

●

Plant Seedlings Dataset:

Possui 960 plantas exclusivas

pertencentes a 12 espécies.

O banco de dados foi registrado

na Flakkebjerg, Dinamarca, em

parceria com universidades.

●

Base brutas (9,7 GB)

●

Base resumida (1,7 GB)

●

Base segmentada (258 MB)

vision.eng.au.dk/plant-seedlings-dataset/ kaggle.com/c/plant-seedlings-classification/

Segmentação Adotada

1. Normalização de cores (0-255)

2. Normalização de tamanho (resize) para 512 px

3. Filtro gaussiano (sigma = 5)

4. Correção de Gama (97 %)

Criação de 5 filtro binários

5. Selecionar faixa de RGB válida para a cor Verde (R 50:155, G 75:200 B 16:90)

6. Selecionar por diferença de RG, RB e GB, todos > 12

7. Selecionar pela soma de diferenças ( G-R ) + ( G-B ) > 25

8. Segmentação por Otsu

9. Segmentação por Isodata

Criação de 9 filtros binários através dos 5 anteriores e seleção pela mediana

10.Remove pequenos objetos (1%)

11.Dilatação do positivo com disco

12.Preenchimento de pequenas áreas

13.Erosão do positivo com disco

14.Pequena Erosão no filtro 7 criado. Realça as bordas.

15.Operação AND binária com o filtro 7 criado. Este filtro delimitou muito bem as bordas.

16.Remove médios objetos (10%)

Segmentação Adotada

Alguns testes são feitos entre os passos para descobrir se alguma das 5 máscaras

‘fecharam’ (0 False – para a planta e 1 True para o fundo),

neste caso ela é invertida.

Resultado da Segmentação

Resultados Charlock

Resultados Cleavers

Resultados Common Chickweed

Resultados Common wheat

Resultados Fat Hen

Resultados Maize

Resultados Scentless Mayweed

Resultados Shepherd’s Purse

Resultados Small-flowered Cranesbill

Resultados Sugar beet

Resultados Black-grass

Resultados Loose Silky-bent

Processamento de Imagem

Classificação (Aprendizado Supervisionado)

PI28CP 2021.1

Aluno: Ricardo Romano Langaro

Características Obtidas

1. Momentos de Hu (7 momentos)

2. Filtros aleatórios (21 estatísticas, soma, media e variância)

Filtro entropy

Filtro modal

Filtro median

Filtro gradient

3. Matriz de coocorrência (6 características) (uma média de texturas é sobreposta quando uma

imagem é mal segmentada, retorna muitos centroides)

4. Seleção de características Anova (6 carac.)

Base de imagens escolhidaBase de imagens escolhida

●

96 imagens

●

2 classes

Espécies escolhidas: Charlock

e Fat hen

¾ para treino e ¼ para testes

Classificação Adotada

1. Árvores de Decisão, parâmetros padrão - > Acertos: 20 de 24 = 83,33 %

2. Máquinas de vetores de Suporte SVM

(algoritmo = rbf, grau polinômio = 30,

Regularização C=15) - > Acertos: 23 de 24 = 95,83 %

3. K-Vizinhos mais próximos KNN (8 vizinhos) - > Acertos: 22 de 24 = 91,67 %

Base de imagens escolhidaBase de imagens escolhida

●

990 imagens

●

2 classes

Espécies escolhidas: Charlock

e Fat hen

¾ para treino e ¼ para testes

Classificação Adotada

1. Árvores de Decisão, parâmetros padrão - > Acertos: 196 de 248 = 79,03 %

Charlock -> 78.06 % Fat hen -> 79.84 %

2. Máquinas de vetores de Suporte SVM

( algoritmo = rbf, grau polinômio = 30,

Regularização C=15 ) - > Acertos: 212 de 248 = 85,48 %

Charlock -> 79,30 % Fat hen -> 83.33 %

3. K-Vizinhos mais próximos KNN (8 vizinhos) - > Acertos: 203 de 248 = 81,85 %

Charlock -> 78.40 % Fat hen -> 85.37 %

Base de imagens escolhidaBase de imagens escolhida

●

5544 imagens

●

12 classes

●

Não uniforme

fts por classe

¾ para treino e

¼ para testes

Classificação Adotada

1. Máquinas de vetores de Suporte SVM

( algoritmo = rbf, grau polinômio = 30,

Regularização C=15 )

Acertos: 544 de 1386 = 39,25 %

Charlock -> 46,31 %

Blackgrass -> 8,22 %

Cleavers -> 3,75 %

Common chickweed -> 61,93 %

Common wheat -> 5,08 %

Fat hen -> 20,98%

Loose silky bent -> 78,89 %

Maize -> 24,61 %

Scentless mayweed -> 26,87 %

Shepherds purse -> 8,20 %

Small flowered cranesbill -> 47,77 %

Sugar beet -> 44,91 %

Base de imagens escolhidaBase de imagens escolhida

●

3600 imagens

●

12 classes

●

300 fts por classe

¾ para treino e

¼ para testes

Classificação Adotada

1. Máquinas de vetores de Suporte SVM

( algoritmo = rbf, grau polinômio = 30,

Regularização C=15 )

CLASSIFICAÇÃO MAIS UNIFORME !

Acertos: 308 de 900 = 34,22 %

Charlock -> 39.99 %

Blackgrass -> 16.00 %

Cleavers -> 14.66 %

Common chickweed -> 42.66 %

Common wheat -> 10.67 %

Fat hen -> 8.00 %

Loose silky bent -> 67.99 %

Maize -> 38.66 %

Scentless mayweed -> 42.66 %

Shepherds purse -> 30.66 %

Small flowered cranesbill -> 46.66 %

Sugar beet -> 51.99 %

Processamento de Imagem

Classificação (Aprendizado Por Redes Neurais)

PI28CP 2021.1

Aluno: Ricardo Romano Langaro

Base de imagens escolhidaBase de imagens escolhida

●

5544 imagens

●

12 classes

¾ para treino e

¼ para testes

Layer (type) Output Shape Param #

==============================================================

random_rotation_2 (RandomRot (None, 100, 100, 3) 0

_________________________________________________________________

conv2d_10 (Conv2D) (None, 98, 98, 32) 896

_________________________________________________________________

max_pooling2d_8 (MaxPooling2 (None, 49, 49, 32) 0

_________________________________________________________________

conv2d_11 (Conv2D) (None, 47, 47, 50) 14450

_________________________________________________________________

max_pooling2d_9 (MaxPooling2 (None, 23, 23, 50) 0

_________________________________________________________________

conv2d_12 (Conv2D) (None, 21, 21, 50) 22550

_________________________________________________________________

max_pooling2d_10 (MaxPooling (None, 10, 10, 50) 0

_________________________________________________________________

conv2d_13 (Conv2D) (None, 8, 8, 50) 22550

_________________________________________________________________

max_pooling2d_11 (MaxPooling (None, 4, 4, 50) 0

_________________________________________________________________

conv2d_14 (Conv2D) (None, 2, 2, 50) 22550

_________________________________________________________________

flatten_2 (Flatten) (None, 200) 0

_________________________________________________________________

dense_6 (Dense) (None, 100) 20100

_________________________________________________________________

dropout_4 (Dropout) (None, 100) 0

_________________________________________________________________

dense_7 (Dense) (None, 50) 5050

_________________________________________________________________

dropout_5 (Dropout) (None, 50) 0

_________________________________________________________________

dense_8 (Dense) (None, 12) 612

==============================================================

Total params: 108,758 Trainable params: 108,758 Non-trainable params: 0

Organização da Rede

Tamanho da janela de convolução 2D

Tamanho da saida (mapa de ativação)

Fonte: stanford.edu/~shervine/teaching/cs-230/cheatsheet-convolutional-neural-networks

Expandir base de treinamento:

RandomRotation (0.5) =

[-50% * 2pi, 50% * 2pi]

Ocultando base na camada de

neurônios:

Dropout (.05) = 5 %

Épocas: 50

Resultados

Accuracy training: 88,79 % Accuracy test: 85,77 %